Senior Site Reliability Engineer - Ceph / On-Prem Cloud Storage (m/f/d) in Köln

Ihre Rolle

Sie helfen uns, die Speicherbasis unserer On-Premise-Cloud-Plattform aufzubauen, zu betreiben und zu industrialisieren. Als Teil eines kleinen, erfahrenen Teams sind Sie für die Ceph-Cluster verantwortlich, die hinter unseren Block-, Objekt- und Dateispeicherdiensten stehen – im Wesentlichen der Speicher, auf dem letztendlich jede Kundenlast landet. Die Plattform wird noch aktiv aufgebaut, was bedeutet, dass Sie echten Einfluss auf die Speicherarchitektur, den Hardware-Lebenszyklus, die Automatisierungsstrategie und die technische Richtung haben werden. Die Rolle geht über Ceph hinaus: Sie arbeiten regelmäßig mit Bare Metal, Netzwerken, OpenStack, Kubernetes und GitOps.

Ihre Verantwortlichkeiten

• Entwerfen, betreiben und weiterentwickeln unserer Ceph-Cluster für Block-, Objekt-/S3- und Dateispeicher – von CRUSH-Topologie und Ausfallbereichen bis hin zu Pooldesign, Platzierungsgruppen, Erasure-Coding, Kapazitätsreserven und Leistung.
• Verantwortung für den gesamten Lebenszyklus der Speicherhardware – von der Qualifizierung und dem Burn-In über Firmware, Controller und Festplattengesundheit bis hin zu OSD-Hinzufügungen/-Entfernungen/-Ersetzungen, Knotenrenten und Hardware-Aktualisierungen.
• Automatisierung der Bereitstellung von Speicherknoten auf OpenStack-gemanagtem Bare Metal, Zusammenarbeit mit Ironic, RAID- und Festplattenkonfiguration, SEDs, Anbieternetzwerken und VLANs.
• Durchführen von Upgrades, Rebalancing und Neukonfigurationen als routinemäßige Produktionsoperationen, Weiterentwicklung unserer Infrastruktur als Code und GitOps-Setup mit Ansible, Terraform und FluxCD/ArgoCD.
• Verantwortung für Kapazitätsplanung und Wachstumsprognosen, Nutzung von Telemetrie zur Analyse des tatsächlichen Verbrauchs und Aufbau von Monitoring, Tests und Fehlerinjektion rund um Leistung, Haltbarkeit und Sicherheit.
• Technische Referenz und Sparringspartner in den Bereichen Ceph, Speicherung, Automatisierung und KI-Tools, Dokumentation technischer Entscheidungen und Wissensaustausch mit dem Team.

Was wir bieten

• Außergewöhnlicher Teamgeist über alle Abteilungen und Ländergrenzen hinweg; wir leben #OneTeam
• Spannende Arbeit in einem hochinnovativen und internationalen Umfeld mit modernsten Technologien
• 32 Urlaubstage, steigend mit der Betriebszugehörigkeit
• Flexible Arbeitszeiten, Homeoffice-Optionen und eine sichere unbefristete Stelle mit markt- und leistungsorientierter Vergütung
• Arbeitgeberfinanzierte Altersvorsorge und ein attraktives Versicherungspaket
• OVHcloud übernimmt 50% der Kosten für öffentliche Verkehrsmittel
• Bis zu 400 € jährlicher finanzieller Beitrag von OVHcloud zu Sportaktivitäten (Fitnessstudio-Mitgliedschaft, Sportkurse usw.)
• Über Corporate Benefits erhalten Sie attraktive Rabatte in zahlreichen Geschäften und Unternehmen
• Wir tragen zur Leasing Ihres Lastenrades bei
• Regelmäßige Unternehmensveranstaltungen und kostenlose kalte und heiße Getränke

Das bringst Du mit

• Mehrjährige praktische Erfahrung als SRE, Storage Engineer oder Platform Engineer im Betrieb von Produktionsspeicherinfrastrukturen, mit solider Erfahrung in der Bereitstellung, dem Betrieb und der Fehlersuche von Ceph in der Produktion.
• Kenntnisse der Ceph-Grundlagen aus realen Operationen: CRUSH, Pools und Platzierungsgruppen, Replikation vs. Erasure-Coding, BlueStore, Scrubbing, Recovery und Backfill unter Last.
• Verwaltung der Speicherinfrastruktur von Anfang bis Ende, von der physikalischen Schicht mit Laufwerken, Firmware, BIOS, Controllern und Hardwarediagnosen bis hin zu Rebalancing, Host-Drainage, Kapazitätserweiterung und Hardwaregeneration-Migrationen.
• Komfortable Nutzung von Kubernetes als Steuerungsebene, nicht nur als Arbeitslastlaufzeit, und Verständnis von Operatoren/Controllern, benutzerdefinierten Ressourcen, Rekonsolidierung und GitOps.
• Erfahrung mit Situationen, in denen Haltbarkeit wirklich wichtig ist – wie z.B. degradierte oder nahezu volle Cluster, Wiederherstellung unter Last oder Split-Brain-Bedingungen.
• Starke Linux- und Bare-Metal-Kenntnisse, Verständnis der Blockschicht, Dateisysteme und I/O-Verhalten, und sicherer Umgang mit Ansible, Terraform und GitOps.
• Praktische Erfahrung mit LLMs und agentischen Tools und Wissen, wo sie sinnvoll die Entwicklung, Tests, Überprüfungen oder den Betrieb unterstützen können.
• Idealerweise auch Erfahrung mit RGW/S3, RBD-Spiegelung, CephFS oder ceph-csi, tiefere OpenStack-Speicherintegrationen und Go und/oder Python.
• Autonomes Arbeiten, starkes Verantwortungsbewusstsein und Komfort beim Debuggen von Problemen, bei denen die tatsächliche Ursache möglicherweise zwischen Speicher, Netzwerk, Kubernetes und OpenStack liegt.
• Arbeiten in einem internationalen Umfeld in Englisch, daher sollten Sie sich wohlfühlen, technische Themen zu diskutieren, Entscheidungen zu dokumentieren und mit dem Team auf Englisch zu arbeiten.